TensorFlow入门--张量的定义与基本运算


一、生成张量 - Variable 、constant 与placeholder 方法

编程要求:

  • 根据提示,在右侧编辑器补全sum函数,参数 a 是 Variable,参数 b 是 constant,记 value 为 b 的值。
  • 你需要计算从1+…+value的值,并将其结果存储在a节点中。

提示:

  • 获取张量的值可以使用eval()方法。
  • 对变量赋值需要使用tf.assign()系列函数,注意TensorFlow的操作都要在使用Session.run()或eval()方法后才会生效。
  • 可以先获取参数b的值value,之后使用一个循环计算1+…+value的值,并将其结果使用tf.assign()函数存储在a节点中。

测试说明:
平台会对你编写的代码进行测试:

  • 测试输入:10 预期输出:45
  • 测试输入:9 预期输出:36

本关任务:

  • 利用TensorFlow中的变量 (Variable类) 编写一个能计算表达式1+…+…+n的值的小程序
    (n的值由TensorFlow中的常量constant类给出)
  • 对变量赋值需要使用tf.assign()系列函数,注意TensorFlow的操作都要在使用Session.run()或eval()方法后才会生效。
  • 可以先获取参数b的值value,之后使用一个循环计算1+…+value的值,并将其结果使用tf.assign()函数存储在a节点中

# -*- coding: utf-8 -*-
import tensorflow as tf

# 参数 a 是 Variable, 参数 b 是 constant, 记 value 为 b 的值
# 计算从1+..+value的值, 并将其存储在a节点中
def sum(a,b):
    # 请在此添加代码 完成本关任务
    # ********** Begin *********#
    
    tf.assign(a,tf.constant(0)).eval()
    i=1
    while i<b.eval():
        tf.assign_add(a,tf.constant(i)).eval()
        i=i+1


 

    # ********** End **********#
    

二、全0张量与全1张量的生成 - zeros方法和ones方法

# -*- coding: utf-8 -*-
import tensorflow as tf

# 输入参数 n 为一正整数 (大于1且小于100)
# 若 n 为偶数, 则返回形状为 [n+1,n-1] 的全0矩阵
# 若 n 为奇数, 则返回形状为 [n-1,n+1] 的全1矩阵
def getMatrix(n):
    # 请在此添加代码 完成本关任务
    # ********** Begin *********#
    if (n%2)==0:
        return (tf.zeros([n+1, n-1], tf.float32))
    else:
        return (tf.ones([n-1, n+1], tf.float32))
         
    # ********** End **********#

三、生成带指定初值的张量 - fill方法

# -*- coding: utf-8 -*-
import tensorflow as tf

# 输入参数x为正整数,y为整数
# 需要生成一个所有元素初值均为y, 形状为x*x的矩阵
# 之后在将矩阵的对角线上的每个元素加1
# 然后若该矩阵有逆矩阵, 则返回该逆矩阵的行列式
# 否则返回0
def getMatrix(x,y):
    # 请在此添加代码 完成本关任务
    # ********** Begin *********#

     a = tf.fill([x,x],y)
     # 生成一个全1
     v2 = tf.ones([x])
     v1 = tf.diag(v2)
     a = tf.cast(a, tf.float32)
     v1 = tf.cast(v1, tf.float32)   
     b = a + v1
     
      
     if tf.linalg.det(b)!= 0:
         
         return tf.linalg.det(tf.matrix_inverse(b)).eval()
     else:
         return 0   
        
     
     
    # ********** End **********#

总结

本文章转载自头歌教育实践作业,若有侵权请告知必删

  • 0
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
### 回答1: tensorflow cifar-10-batches-py是一个经典的深度学习数据集,被广泛用于图像分类任务的训练和评估。 该数据集是CIFAR-10数据集的Python版本,提供了10个类别的60000个32x32彩色图像。其中,50000张图像作为训练集,10000张图像作为测试集。 这个数据集是用Python编写的,并且使用了pickle库来加载和处理数据。它可以通过执行"import cifar10"来导入,并使用"cifar10.load_data()"来加载其数据。 加载数据后,可以使用TensorFlow来构建一个图像分类模型。TensorFlow是一个开源的深度学习框架,可以用于构建、训练和评估机器学习模型。 使用tensorflow cifar-10-batches-py数据集,可以进行图像分类任务的实验和研究。可以结合卷积神经网络等深度学习模型,对图像进行特征提取和分类。 在训练模型时,可以使用训练集进行权重更新和优化,然后使用测试集来评估模型的性能。 总结来说,tensorflow cifar-10-batches-py是一个常用的深度学习数据集,可以用于图像分类任务的研究和实验。它结合了TensorFlow框架,提供了加载、处理和评估数据的功能。通过使用它,可以建立一个自定义的图像分类模型,并对其进行训练和评估。 ### 回答2: tensorflow cifar-10-batches-py是一个用于在tensorflow框架中处理CIFAR-10数据集的Python脚本。CIFAR-10数据集是一个广泛应用于图像分类的数据集,包含10个不同类别的影像数据,每个类别有6000个32x32大小的彩色图像。 这个Python脚本通过提供一些函数和类来加载CIFAR-10数据集,并且将图像和标签进行预处理,以便于在训练和测试模型时使用。脚本中的函数可以帮助我们将原始的二进制数据转换成可用于训练的张量形式。 该脚本提供的函数可以将CIFAR-10数据集分为训练集和测试集,并提供了一个函数用于获取下一个训练批或测试批的图像和标签。此外,该脚本还提供了一个函数用于显示CIFAR-10数据集中的图像。 使用tensorflow cifar-10-batches-py脚本,我们可以很方便地加载和预处理CIFAR-10数据集,并用于训练和测试图像分类模型。这个脚本是使用Python编写的,可以在tensorflow环境中直接使用。 ### 回答3: TensorFlow的cifar-10-batches-py是一个用于训练和验证图像分类模型的数据集。它是基于CIFAR-10数据集的一个版本,其中包含50000张用于训练的图像和10000张用于验证的图像。 CIFAR-10数据集是一个常用的图像分类数据集,包含10个不同的类别,每个类别有大约6000张图像。这些类别包括:飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车。每个图像的大小为32x32像素,是彩色图像。 cifar-10-batches-py数据集通过Python脚本cifar10.py提供,它将数据集分为5个训练批次和1个验证批次。在训练过程中,可以使用这些批次中的图像进行训练,并根据验证数据集的结果来评估模型的性能。 这个数据集提供了一个方便的方式来测试和评估不同的图像分类算法和模型。使用TensorFlow的cifar10.py脚本可以加载这个数据集,并提供一些函数,用于解析和处理图像数据。 在使用cifar-10-batches-py数据集进行训练时,通常会将图像数据进行预处理,例如将像素值进行归一化处理,以便于模型的训练。同时,还可以使用数据增强的技术,如随机翻转、旋转或裁剪图像,以增加数据的多样性。 总的来说,TensorFlow的cifar-10-batches-py数据集是为了方便机器学习研究人员进行图像分类模型训练和验证而提供的一个常用数据集。它可以用于测试和评估不同的图像分类算法和模型的性能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

石先森很疯狂

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值